What is Windward's MAI Expert™ and how does it utilize generative AI?

Windward's MAI Expert™ is the company's pioneering generative AI maritime agent designed to contextualize maritime anomalies. It leverages generative AI, particularly large language models (LLMs) on Amazon Bedrock, to automate the collection, correlation, and synthesis of diverse data sources. This allows it to generate comprehensive risk assessments and summaries for suspicious vessel activities, enabling analysts to make informed decisions faster and with greater accuracy, shifting their focus from data gathering to strategic interpretation.

How does the agentic maritime anomaly analysis solution work?

The solution, developed in collaboration with AWS, is a multi-step AI-powered pipeline. It starts by extracting metadata from an anomaly event. This metadata then triggers an agentic analysis system using LLMs on Amazon Bedrock, orchestrated by AWS Step Functions. The system queries various external data sources (news, web search, weather) via AWS Lambda functions. A crucial self-reflection step, powered by an LLM like Anthropic's Claude, determines if additional data is needed. Finally, filtered and ranked data is used by another LLM to generate a contextualized report, citing all sources.

What AWS services are central to Windward's generative AI solution?

Several key AWS services underpin Windward's agentic maritime anomaly analysis solution. Amazon Bedrock hosts the large language models (LLMs), including Anthropic's Claude, which are responsible for query generation, self-reflection, scoring, and report generation. AWS Step Functions orchestrates the entire multi-step analysis pipeline, ensuring a smooth workflow. AWS Lambda functions are used to fetch data from various external sources. Additionally, Amazon Rerank assists in filtering and ranking relevant news items to maintain high data quality and relevance.

What are the primary challenges Windward aimed to solve with this generative AI approach?

Before this solution, maritime analysts spent significant time manually gathering and correlating complex data to understand vessel behavior anomalies. Windward sought to address three key strategic improvements: creating a Unified Workflow to minimize external data consultations, optimizing Expertise by automating data collection (weather, news, alerts) so domain experts could focus on strategic interpretation, and providing Comprehensive Coverage by streamlining information synthesis for rapid, in-depth investigation of multiple alerts simultaneously.

How does the system ensure the relevance of retrieved information for a specific anomaly?

The solution employs a robust two-step filtering and ranking process to ensure data relevance. First, an AI model like Amazon Rerank initially sorts retrieved news items based on their relevance to the anomaly, aiming to maintain high recall while removing highly irrelevant data. Second, a dedicated LLM scores each of the top-ranked items across multiple dimensions such as time, location, and vessel type. Only data items with a relevance score above a predetermined threshold are retained, ensuring high precision and that only the most pertinent information is used in the final report.

এজেন্টিক মেরিটাইম এআই: জেনারেটিভ এআই ব্যবহার করে প্রাসঙ্গিক অসঙ্গতি বিশ্লেষণ

এজেন্টিক এআই দিয়ে সামুদ্রিক অসঙ্গতি বিশ্লেষণে বৈপ্লবিক পরিবর্তন

বৈশ্বিক সামুদ্রিক কার্যকলাপের বিশাল, জটিল জগৎ নিরাপত্তা, গোয়েন্দা এবং বাণিজ্যিক কার্যক্রমের জন্য অনন্য চ্যালেঞ্জ উপস্থাপন করে। জাহাজের অস্বাভাবিক আচরণ—অপ্রত্যাশিত নড়াচড়া থেকে শুরু করে পরিচিত প্যাটার্ন থেকে বিচ্যুতি—শনাক্ত করা এবং বোঝা প্রায়শই প্রচুর সময়, গভীর ডোমেন দক্ষতা এবং বিভিন্ন ডেটা উৎসের পারস্পরিক সম্পর্ক দাবি করে। Maritime AI™-এর একজন অগ্রগামী Windward, দীর্ঘদিন ধরে সামুদ্রিক ক্রিয়াকলাপের জন্য গুরুত্বপূর্ণ বুদ্ধিমত্তা সরবরাহ করে আসছে। এখন, AWS-এর সহযোগিতায়, Windward এই প্রক্রিয়াকে রূপান্তরিত করতে এজেন্টিক জেনারেটিভ এআই ব্যবহার করছে, বিচ্ছিন্ন সতর্কতা থেকে ব্যাপক, প্রাসঙ্গিক বুদ্ধিমত্তার দিকে এগিয়ে যাচ্ছে।

এই যুগান্তকারী অংশীদারিত্বের লক্ষ্য হল সামুদ্রিক বিশ্লেষকদের ক্ষমতায়ন করা, তদন্তের সময়কে উল্লেখযোগ্যভাবে হ্রাস করা এবং তাদের কষ্টকর ডেটা সংগ্রহের পরিবর্তে উচ্চ-মূল্যের সিদ্ধান্ত গ্রহণে মনোযোগ দিতে সক্ষম করা। উন্নত জেনারেটিভ এআই-এর সাথে ভূ-স্থানিক বুদ্ধিমত্তা ফিউজ করে, Windward-এর নতুন সমাধানটি একটি ৩৬০° ভিউ প্রদান করে, যা অভূতপূর্ব গতি এবং নির্ভুলতার সাথে সমুদ্রে বিপদ অনুমান করে এবং গুরুত্বপূর্ণ সম্পদ রক্ষা করে।

চ্যালেঞ্জ: ডেটা ওভারলোড থেকে কার্যকর অন্তর্দৃষ্টি

ঐতিহাসিকভাবে, সামুদ্রিক অসঙ্গতি তদন্ত ছিল একটি অত্যন্ত ম্যানুয়াল এবং সময়সাপেক্ষ প্রচেষ্টা। বিশ্লেষকরা খণ্ডিত তথ্যের মাধ্যমে ঘন্টার পর ঘন্টা সময় ব্যয় করতেন, একটি জাহাজের অস্বাভাবিক আচরণ বোঝার জন্য বিভিন্ন ডেটা স্ট্রিমের মধ্যে সংযোগ স্থাপনের চেষ্টা করতেন। এই প্রক্রিয়াটি কেবল উল্লেখযোগ্য প্রচেষ্টা নয়, সামুদ্রিক কার্যকলাপ, আবহাওয়ার ধরণ এবং ভূ-রাজনৈতিক ঘটনার সূক্ষ্মতা ব্যাখ্যা করার জন্য গভীর ডোমেন দক্ষতারও দাবি রাখত।

Windward-এর বিদ্যমান আর্লি ডিটেকশন সিস্টেম সন্দেহজনক প্যাটার্নগুলি সফলভাবে সনাক্ত করে, তবে লক্ষ্য ছিল সনাক্তকরণ থেকে সিদ্ধান্ত গ্রহণের পথকে ত্বরান্বিত করা। বিশ্লেষণাত্মক কর্মপ্রবাহকে অপ্টিমাইজ করতে এবং সত্যিকারের 'মিশন-রেডি' অন্তর্দৃষ্টি প্রদান করতে, Windward তিনটি মূল কৌশলগত উন্নতির প্রয়োজনীয়তা চিহ্নিত করেছে:

একীভূত কর্মপ্রবাহ (Unified Workflow): বিশ্লেষকদের বাহ্যিক ডেটা উৎসগুলি পরামর্শ করার প্রয়োজনীয়তা কমানো, একটি নির্বিঘ্ন এবং কেন্দ্রীভূত বিশ্লেষণাত্মক পরিবেশ তৈরি করা।
বিশেষজ্ঞতা অপ্টিমাইজেশন (Expertise Optimization): প্রাসঙ্গিক ডেটা (আবহাওয়া, সংবাদ, সম্পর্কিত সতর্কতা) সংগ্রহ এবং প্রাথমিক পারস্পরিক সম্পর্ক স্বয়ংক্রিয় করা, যার ফলে ডোমেন বিশেষজ্ঞরা তাদের মূল্যবান সময় কৌশলগত ব্যাখ্যা এবং সিদ্ধান্ত গ্রহণে উৎসর্গ করতে পারেন।
ব্যাপক কভারেজ (Comprehensive Coverage): একাধিক সতর্কতা একযোগে দ্রুত এবং গভীরভাবে তদন্তের জন্য তথ্য সংশ্লেষণকে সুবিন্যস্ত করা।

এই উচ্চাকাঙ্ক্ষী লক্ষ্যগুলি পূরণের জন্য, Windward AWS জেনারেটিভ এআই ইনোভেশন সেন্টারের সাথে অংশীদারিত্ব করেছে MAI Expert™ তৈরি করতে, যা প্রথম জেনারেটিভ এআই মেরিটাইম এজেন্ট যা জটিল সামুদ্রিক অসঙ্গতিগুলিকে স্বয়ংক্রিয়ভাবে প্রাসঙ্গিক করতে সক্ষম।

এজেন্টিক আর্কিটেকচার: AWS এর মাধ্যমে প্রাসঙ্গিক বুদ্ধিমত্তাকে শক্তিশালী করা

Windward-এর উন্নত সমাধানের মূলে রয়েছে এর বহু-পদক্ষেপের, এআই-চালিত আর্কিটেকচার, যা AWS-এ স্থাপন করা হয়েছে। এই সিস্টেম স্বয়ংক্রিয়ভাবে বিভিন্ন অভ্যন্তরীণ এবং বাহ্যিক উৎস থেকে প্রাসঙ্গিক ডেটা নিয়ে আসে এবং এই তথ্য ব্যবহার করে একটি পাঠ্য বিবরণ তৈরি করে যা সামুদ্রিক অসঙ্গতি ইভেন্টগুলিকে পুঙ্খানুপুঙ্খভাবে প্রাসঙ্গিক করে তোলে।

যখন Windward আর্লি ডিটেকশন সিস্টেম দ্বারা একটি অসঙ্গতি চিহ্নিত করা হয় তখন প্রক্রিয়া শুরু হয়। প্রাসঙ্গিক মেটাডেটা—যেমন অসঙ্গতির টাইমস্ট্যাম্প, অঞ্চলের স্থানাঙ্ক, অসঙ্গতির ধরন এবং জাহাজের শ্রেণী—Windward-এর অভ্যন্তরীণ ডেটাবেস থেকে নিষ্কাশিত হয়।

এই মেটাডেটা তখন Amazon Bedrock-এর বৃহৎ ভাষা মডেল (LLMs) দ্বারা চালিত একটি এজেন্টিক বিশ্লেষণ সিস্টেমে ফিড করা হয়। পুরো বহু-পদক্ষেপের অসঙ্গতি বিশ্লেষণ পাইপলাইনটি AWS Step Functions ব্যবহার করে পরিচালিত হয়, যা একটি শক্তিশালী এবং মাপযোগ্য কর্মপ্রবাহ নিশ্চিত করে।

এই পরিচালিত প্রক্রিয়ার প্রথম ধাপে প্রাসঙ্গিক পটভূমি তথ্য সংগ্রহের জন্য একাধিক, বিভিন্ন বাহ্যিক ডেটা উৎস থেকে কোয়েরি করা জড়িত:

রিয়েল-টাইম নিউজ ফিড: জনসমক্ষে থাকা ডেটা থেকে আবিষ্কৃত সতর্কতা এবং ইভেন্ট সিগন্যালগুলি সামুদ্রিক অসঙ্গতির সময় এবং অবস্থানের উপর ভিত্তি করে আনা এবং ফিল্টার করা হয়।
বুদ্ধিমান ওয়েব অনুসন্ধান: LLM গুলি সুনির্দিষ্ট অনুসন্ধান কোয়েরি তৈরি করে, যা আপ-টু-ডেট ওয়েব অনুসন্ধানের ফলাফল পুনরুদ্ধার করতে সক্ষম করে যা অসঙ্গতির জন্য রিয়েল-টাইম প্রসঙ্গ সরবরাহ করে।
আবহাওয়ার ডেটা: একটি বাহ্যিক API ব্যবহার করা হয় নির্দিষ্ট অবস্থান এবং অসঙ্গতির সময়ের জন্য তাপমাত্রা, বাতাসের গতি এবং বৃষ্টিপাত সহ গুরুত্বপূর্ণ আবহাওয়ার ডেটা পুনরুদ্ধার করতে।

প্রতিটি ডেটা উৎস একটি পৃথক AWS Lambda ফাংশন ব্যবহার করে কোয়েরি করা হয়। এই মডুলার পদ্ধতি দক্ষতা এবং মাপযোগ্যতা নিশ্চিত করে, প্রয়োজনে নতুন ডেটা উৎসগুলির সহজ একীকরণের অনুমতি দেয়।

গতিশীল স্ব-প্রতিফলন এবং ডেটা কিউরেশন

এই এজেন্টিক সমাধানের একটি মূল উদ্ভাবন হল এর স্ব-প্রতিফলন ক্ষমতা, যা গতিশীলভাবে অতিরিক্ত ডেটা পুনরুদ্ধারের প্রয়োজনীয়তা নির্ধারণ করে। সংবাদ, ওয়েব অনুসন্ধান এবং আবহাওয়া থেকে প্রাথমিক ডেটা সংগ্রহের পরে, পাইপলাইনটি দ্বিতীয় ধাপে চলে যায়। এখানে, Anthropic-এর Claude দ্বারা Amazon Bedrock-এর মাধ্যমে চালিত একটি পৃথক LLM—পুনরুদ্ধার করা ডেটা আইটেমগুলি পরীক্ষা করে।

এই LLM-কে নির্দেশ দেওয়া হয় যে এখন পর্যন্ত সংগৃহীত ডেটা অসঙ্গতি ব্যাখ্যা করার জন্য যথেষ্ট কিনা অথবা ইভেন্ট সম্পর্কিত নির্দিষ্ট কিছু দিক এখনও অনুপস্থিত কিনা তা সিদ্ধান্ত নিতে। এটি তখন হয় অতিরিক্ত ওয়েব ফলাফলের জন্য একটি নতুন, আরও পরিমার্জিত অনুসন্ধান কোয়েরি তৈরি করতে পারে অথবা পাইপলাইনকে এগিয়ে যাওয়ার সংকেত দিতে পারে। চিত্র ২-এ চিত্রিত এই বুদ্ধিমান প্রতিক্রিয়া লুপটি, সিস্টেমকে সক্রিয়ভাবে আরও ব্যাপক প্রসঙ্গ খুঁজে বের করতে এবং এটিকে পূর্বে সংগৃহীত তথ্যের সাথে যুক্ত করতে সহায়তা করে।

Architecture diagram for windward aws blog চিত্র ১. AWS পরিষেবা এবং জেনারেটিভ এআই প্রদর্শনকারী সমাধান আর্কিটেকচার।

Diagram of flow through self-reflection চিত্র ২. এজেন্টিক অসঙ্গতি বিশ্লেষণ সিস্টেমে স্ব-প্রতিফলন যুক্তি।

এই গতিশীল ডেটা পুনরুদ্ধার এবং স্ব-প্রতিফলন পর্বের পরে, সিস্টেমটি অপ্রাসঙ্গিক সংবাদ আইটেমগুলি অপসারণ করতে এবং সর্বোচ্চ মানের প্রসঙ্গ নিশ্চিত করতে একটি দ্বি-পর্যায়ের ফিল্টারিং এবং র‍্যাঙ্কিং প্রক্রিয়া ব্যবহার করে:

১. Amazon Rerank দিয়ে পুনরায় র‍্যাঙ্কিং: Amazon Rerank নামক একটি এআই মডেল, প্রাথমিক ডেটা আইটেমগুলিকে অসঙ্গতির সাথে তাদের প্রাসঙ্গিকতা অনুযায়ী সাজায়। এই ধাপটি উচ্চ রিকল বজায় রাখার জন্য গুরুত্বপূর্ণ, যা পরবর্তী পর্যায়ের জন্য প্রার্থীর পুলকে দক্ষতার সাথে হ্রাস করে। ২. LLM-ভিত্তিক নির্ভুলতা স্কোরিং: শীর্ষ-র‍্যাঙ্ক করা প্রতিটি আইটেমকে একটি LLM দ্বারা একাধিক মাত্রায়, যেমন সময়, অবস্থান এবং মিলে যাওয়া জাহাজের প্রকারের উপর ভিত্তি করে স্কোর করা হয়। সিস্টেমটি ০ থেকে ১০০ এর মধ্যে প্রাসঙ্গিকতা স্কোর নির্ধারণ করে, শুধুমাত্র সেই ডেটা আইটেমগুলি ধরে রাখে যা একটি পূর্বনির্ধারিত থ্রেশহোল্ড অতিক্রম করে। এটি উচ্চ নির্ভুলতা নিশ্চিত করে, যা নিশ্চিত করে যে শুধুমাত্র সবচেয়ে প্রাসঙ্গিক তথ্য চূড়ান্ত বিশ্লেষণে অবদান রাখে।

কার্যকরী অন্তর্দৃষ্টি: প্রাসঙ্গিক প্রতিবেদন

অবশেষে, সাবধানে ফিল্টার করা এবং র‍্যাঙ্ক করা ডেটা আরেকটি LLM-এর কাছে পাঠানো হয়। এই LLM সংগৃহীত সমস্ত বুদ্ধিমত্তা সংশ্লেষণ করে অসঙ্গতি সম্পর্কে একটি সংক্ষিপ্ত, প্রাসঙ্গিক প্রতিবেদন তৈরি করে। প্রতিবেদনটি চিহ্নিত সামুদ্রিক ঘটনার সম্ভাব্য কারণ, ঝুঁকি এবং প্রভাবগুলি সংক্ষিপ্ত করে। গুরুত্বপূর্ণভাবে, এটি Windward-এর গ্রাহকদের জন্য লেখা এবং ব্যবহৃত সমস্ত ডেটা উৎস সরাসরি উল্লেখ করে, সম্পূর্ণ স্বচ্ছতা প্রদান করে এবং ব্যবহারকারীদের প্রদত্ত লিঙ্কগুলি অনুসরণ করে তথ্য যাচাই করতে ও গভীরভাবে অনুসন্ধান করতে সক্ষম করে।

Maritime intelligence product চিত্র ৩. Windward-এর MAI Expert™ থেকে তৈরি একটি অসঙ্গতি প্রতিবেদনের উদাহরণ।

এই আউটপুট বিশ্লেষকদের জ্ঞানীয় ভারকে উল্লেখযোগ্যভাবে হ্রাস করে, তাদের একটি তৈরি করা আখ্যান উপস্থাপন করে যা বৃহত্তর কর্মক্ষম এবং ভূ-রাজনৈতিক প্রেক্ষাপটের মধ্যে অসঙ্গতি ব্যাখ্যা করে।

মূল্যায়ন এবং প্রভাব

সম্পূর্ণ সিস্টেমটি ঐতিহাসিক সামুদ্রিক অসঙ্গতিগুলির একটি ব্যাপক সেটের বিরুদ্ধে কঠোরভাবে মূল্যায়ন করা হয়। এই মূল্যায়নে প্রায়শই একটি 'LLM-কে বিচারক হিসেবে' পদ্ধতি জড়িত থাকে, যা তৈরি করা প্রাসঙ্গিক প্রতিবেদনগুলির গুণমান, নির্ভুলতা এবং সম্পূর্ণতা মূল্যায়ন করে।

এই এজেন্টিক জেনারেটিভ এআই সমাধানের প্রভাব সুদূরপ্রসারী। ডেটা সংগ্রহ এবং পারস্পরিক সম্পর্কের শ্রমসাধ্য প্রক্রিয়া স্বয়ংক্রিয় করার মাধ্যমে, Windward সামুদ্রিক বিশ্লেষকদের নিম্নলিখিত বিষয়ে ক্ষমতায়ন করে:

দক্ষতা বৃদ্ধি: তদন্তে ব্যয় করা সময় উল্লেখযোগ্যভাবে হ্রাস করা, মূল্যবান মানব সম্পদ মুক্ত করা।
পরিস্থিতিগত সচেতনতা উন্নত করা: অসঙ্গতি সম্পর্কে আরও গভীর, আরও প্রাসঙ্গিক ধারণা অর্জন করা, বিচ্ছিন্ন সতর্কতা থেকে ব্যাপক বুদ্ধিমত্তার দিকে এগিয়ে যাওয়া।
সিদ্ধান্ত গ্রহণ ত্বরান্বিত করা: দ্রুত এবং আরও সুচিন্তিত সিদ্ধান্ত নিতে সক্ষম করা, যা গতিশীল সামুদ্রিক পরিবেশে হুমকি অনুমান করতে এবং সম্পদ রক্ষা করতে অত্যন্ত গুরুত্বপূর্ণ।
বিশেষজ্ঞতা অপ্টিমাইজ করা: ডোমেন বিশেষজ্ঞদের কৌশলগত ব্যাখ্যা এবং উচ্চ-স্তরের বিশ্লেষণে মনোযোগ দিতে দেওয়া, যেখানে তাদের অনন্য দক্ষতার সবচেয়ে বেশি প্রয়োজন সেখানে তা ব্যবহার করা।

Windward এবং AWS-এর মধ্যে সহযোগিতা একটি উদাহরণ যে কীভাবে অত্যাধুনিক জেনারেটিভ এআই এবং ক্লাউড অবকাঠামো জটিল বাস্তব-বিশ্বের সমস্যা সমাধানের জন্য ব্যবহার করা যেতে পারে, সামুদ্রিক বুদ্ধিমত্তার মতো গুরুত্বপূর্ণ ক্ষেত্রগুলিকে রূপান্তরিত করে এবং প্রাসঙ্গিক অসঙ্গতি বিশ্লেষণের জন্য একটি নতুন মান স্থাপন করে।